基于多层次结构建模的药物相互作用类型预测.docx

中国科学:信息科学2025年第55卷第2期:356–371

SCIENTIASINICAInformationis

论文

论文

《中国科学》杂志社SCIENCECHINAPRESS

crossMark

基于多层次结构建模的药物相互作用类型预测

吴怀瑾1,卜家梓1,杨念祖1,孙垚2,宋海涛1,3,柳宁1,严骏驰1,4*

1.上海交通大学人工智能教育部重点实验室,上海200240

2.之江实验室,杭州311121

3.上海人工智能研究院,上海200240

4.上海交通大学人工智能学院,上海200240

*通信作者.E-mail:yanjunchi@

收稿日期:2024–04–05;修回日期:2024–10–03;接受日期:2025–01–06;网络出版日期:2025–01–23

国家自然科学基金重大研究计划(批准号:和国家自然科学基金优秀青年基金(批准号:资助项目

摘要药物相互作用(drug-druginteractions,DDIs)通常在多种药物共同使用时发生.某些药物之间的相互作用可以带来积极的治疗效果,而某些药物相互作用引起的反应可能会带来严重的影响,甚至危及生命,这使得预测某两种药物之间是否存在相互作用乃至何种类型变得至关重要.而实验研究DDIs的需求和成本不断增长,凸显了采用计算方法,尤其是机器学习方法以预测DDIs的价值.然而,此前基于机器学习的方法均未能全面建模DDIs问题中包括药物自身分子子结构、全结构和药物相互作用网络结构在内的3个层级信息,部分方法还依赖于大规模生物知识图谱,增加了模型的推理成本.本文提出HierDDI,它仅通过数据集中的DDIs即能构建一个多层次图结构,而无需依赖附加知识图谱.更具体地说,HierDDI通过建模药物自身分子子结构、全结构、药物相互作用网络结构这3个层面,来预测药物相互作用.由此不仅捕获了药物自身的结构信息,还将药物间的相互作用考虑在内,并通过端到端的训练,建立模型对DDIs的全面理解.本文所有模块的设计都非常简洁,广泛的实验展示了本文提出的方法明显优于目前药物相互作用领域的领先方法,成为目前表现最佳的模型.在DrugBank和Twosides等公开数据集上,本文提出的方法在直推式(transductive)场景中的准确率比当前领先方法提高了0.58%和2.02%,而在归纳式(inductive)场景中则更是提高了4.20%和3.52%.源代码发布在/wuhuaijin/HierDDI.

关键词机器学习,药物相互作用,多层次,图神经网络,端到端

1引言

随着人工智能(arti?cialintelligence,AI)技术的飞速发展,其在药物研发中的应用(AI4Drug)引人注目,正逐渐改变传统的药物发现模式.AI4Drug结合了机器学习、深度学习等先进的计算技术,能够显著提高药物研发的效率和精确度,推动从药物设计到临床应用的各个阶段.当前,AI在药物研发

引用格式:吴怀瑾,卜家梓,杨念祖,等.基于多层次结构建模的药物相互作用类型预测.中国科学:信息科学,2025,55:356–371,doi:10.1360/SSI-2024-0106

WuHJ,BuJZ,YangNZ,etal.Drug-druginteractionpredictionviahierarchicalstructuremodeling.SciSinInform,2025,55:356–371,doi:10.1360/SSI-2024-0106

?c2025《中国科学》杂志社

/doi/10.1360/SSI-2024-0106

吴怀瑾等中国科学:信息科学2025年第55卷第2期357

表1对比不同方法在对药物相互作用的层级结构建模方面的差异,包括它们是否需要知识图谱以及是否为端到端训练.

Table1ComparisonofDDIstructuremodelingindi?erentm